KOMPARASI PERFORMA MODEL BERBASIS ALGORITMA RANDOM FOREST DAN LIGHTGBM DALAM MELAKUKAN KLASIFIKASI DIABETES MELITUS GESTASIONAL
DOI:
https://doi.org/10.23960/jitet.v12i3.4817Abstract Views: 726 File Views: 656
Abstract
Diabetes melitus gestasional (DMG) merupakan suatu kondisi yang ditandai dengan adanya kenaikan level dalam kandungan gula darah seorang ibu pada masa kehamilan. Ibu yang terindikasi menderita diabetes melitus gestasional berpotensi mengidap beberapa komplikasi serius apabila tidak ditangani dengan baik. Deteksi dini melalui penggunaan data rekam medis dilakukan sebagai langkah preventif pencegahan komplikasi dikemudian hari. Kerangka kerja CRISP-DM digunakan dalam pembangunan model. Data diperoleh dari poli kandungan Rumah Sakit Islam Surabaya Jemursari dengan jumlah 270 baris dan 20 kolom. Setelah melalui fase persiapan data, tersisa 267 baris dan 11 kolom yang digunakan untuk pembuatan model. Pemodelan dilakukan dalam 18 skenario. Skenario terbaik merupakan random forest parameter default dengan penanganan class imbalance menggunakan ADASYN pada proporsi data 70:30. Model tersebut menghasilkan accuracy sebesar 88%, precision sebesar 27%, recall sebesar 100%, dan f1 sebesar 43%.
Keywords:
Random Forest; LightGBM; Diabetes Melitus Gestasional; Klasifikasi
Downloads
References
Y.-N. Chan dkk., “A machine learning approach for early prediction of gestational diabetes mellitus using elemental contents in fingernails,” Sci Rep, vol. 13, no. 1, hlm. 1–11, 2023, doi: 10.1038/s41598-023-31270-y.
F. K. Adli, “Diabetes Melitus Gestasional : Diagnosis dan Faktor Risiko,” Jurnal Medika Hutama, vol. 03, no. 01, hlm. 1545–1551, 2021.
H. Wang dkk., “IDF Diabetes Atlas: Estimation of Global and Regional Gestational Diabetes Mellitus Prevalence for 2021 by International Association of Diabetes in Pregnancy Study Group’s Criteria,” Diabetes Res Clin Pract, vol. 183, hlm. 109050, 2022, doi: https://doi.org/10.1016/j.diabres.2021.109050.
PB PERKENI, “Pedoman Diagnosis dan Penatalaksanaan Hiperglikemia Dalam Kehamilan 2021,” Jul 2021.
P. Saravanan dkk., “Gestational diabetes: opportunities for improving maternal and child health,” Lancet Diabetes Endocrinol, vol. 8, no. 9, hlm. 793–800, 2020, doi: https://doi.org/10.1016/S2213-8587(20)30161-3.
E. C. Johns, F. C. Denison, J. E. Norman, dan R. M. Reynolds, “Gestational Diabetes Mellitus: Mechanisms, Treatment, and Complications,” Trends in Endocrinology & Metabolism, vol. 29, no. 11, hlm. 743–754, 2018, doi: https://doi.org/10.1016/j.tem.2018.09.004.
T. C. Lee, N. U. Shah, A. Haack, dan S. L. Baxter, “Clinical Implementation of Predictive Models Embedded within Electronic Health Record Systems: A Systematic Review,” Informatics, vol. 7, no. 3, hlm. 25, Jul 2020, doi: 10.3390/informatics7030025.
J. A. Solano, D. J. Lancheros Cuesta, S. F. Umaña Ibáñez, dan J. R. Coronado-Hernández, “Predictive models assessment based on CRISP-DM methodology for students performance in Colombia - Saber 11 Test,” Procedia Comput Sci, vol. 198, hlm. 512–517, Jan 2022, doi: 10.1016/J.PROCS.2021.12.278.
C. Z. V. Junus, T. Tarno, dan P. Kartikasari, “Klasifikasi Menggunakan Metode Support Vector Machine Dan Random Forest Untuk Deteksi Awal Risiko Diabetes Melitus,” Jurnal Gaussian, vol. 11, no. 3, hlm. 386–396, 2023, doi: 10.14710/j.gauss.11.3.386-396.
P. Septiana Rizky, R. Haiban Hirzi, U. Hidayaturrohman, U. Hamzanwadi Selong Jl TGKH Muhammad Zainuddin Abdul Madjid Pancor, dan L. Timur, “Perbandingan Metode LightGBM dan XGBoost dalam Menangani Data dengan Kelas Tidak Seimbang,” 2022. [Daring]. Tersedia pada: www.unipasby.ac.id
S. Revathy, M. Ramesh, S. Gowri, dan B. Bharathi, “Gestational Diabetics Prediction Using Logisitic Regression in R,” dalam New Trends in Computational Vision and Bio-inspired Computing: Selected works presented at the ICCVBIC 2018, Coimbatore, India, S. Smys, A. M. Iliyasu, R. Bestak, dan F. Shi, Ed., Cham: Springer International Publishing, 2020, hlm. 739–746. doi: 10.1007/978-3-030-41862-5_73.
N. El-Rashidy, N. E. ElSayed, A. El-Ghamry, dan F. M. Talaat, “Prediction of gestational diabetes based on explainable deep learning and fog computing,” Soft comput, vol. 26, no. 21, hlm. 11435–11450, Nov 2022, doi: 10.1007/s00500-022-07420-1.
J. Wang dkk., “An early model to predict the risk of gestational diabetes mellitus in the absence of blood examination indexes: application in primary health care centres,” BMC Pregnancy Childbirth, vol. 21, no. 1, Des 2021, doi: 10.1186/s12884-021-04295-2.
M. F. Y. Herjanto dan C. Carudin, “ANALISIS SENTIMEN ULASAN PENGGUNA APLIKASI SIREKAP PADA PLAY STORE MENGGUNAKAN ALGORITMA RANDOM FOREST CLASSIFER,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 2, hlm. 1204–1210, Apr 2024, doi: 10.23960/jitet.v12i2.4192.
J. Han, J. Pei, dan M. Kamber, Data Mining: Concepts and Techniques, Third Edit. dalam The Morgan Kaufmann Series in Data Management Systems. Elsevier Science, 2011. [Daring]. Tersedia pada: https://books.google.co.id/books?id=pQws07tdpjoC
C. C. Olisah, L. Smith, dan M. Smith, “Diabetes mellitus prediction and diagnosis from a data preprocessing and machine learning perspective,” Comput Methods Programs Biomed, vol. 220, hlm. 106773, 2022, doi: 10.1016/j.cmpb.2022.106773.
V. Chang, M. A. Ganatra, K. Hall, L. Golightly, dan Q. A. Xu, “An assessment of machine learning models and algorithms for early prediction and diagnosis of diabetes using health indicators,” Healthcare Analytics, vol. 2, no. October, hlm. 100118, 2022, doi: 10.1016/j.health.2022.100118.
Y. Wang dan T. Wang, “Application of Improved LightGBM Model in Blood Glucose Prediction,” Applied Sciences (Switzerland), vol. 10, no. 9, hlm. 1–16, Mei 2020, doi: 10.3390/app10093227.
G. Ahmed dkk., “DAD-Net: Classification of Alzheimer’s Disease Using ADASYN Oversampling Technique and Optimized Neural Network,” Molecules, vol. 27, no. 20, Okt 2022, doi: 10.3390/molecules27207085.
